PARTE A
Pgina 1 de 26
Representatividad
Esta propiedad se refiere al buen muestreo. Se trata de encontrar una
concordancia adecuada entre los resultados y el conjunto compuesto por la
muestra, el objeto, el problema analtico y la necesidad econmica, social,
cientfica y tcnica.
n < 30
n > 30
n < 30
n > 30
Sensibilidad
Es una propiedad analtica asignable a un mtodo analtico, que expresa su
capacidad para discernir entre concentraciones semejantes de un mismo analito, o
su capacidad para poder detectar o determinar pequeas concentraciones de
analito en una muestra.
La definicin ms general de la sensibilidad es la pendiente de la curva de
calibrado. La anterior definicin se completa introduciendo los parmetros que
definen las concentraciones mnimas para ser detectadas o determinadas. Esto
es: el lmite de deteccin es la concentracin de analito que origina una seal que
puede diferenciarse estadsticamente de la seal del blanco.
Selectividad
Un mtodo analtico se dice que es selectivo si es capaz de originar resultados
que dependan exclusivamente del analito para su cuantificacin. El grado de
selectividad es inversamente proporcional al grado de interferencia. Interferencias
son perturbaciones que alteran una, varias o todas las etapas del proceso analtico
y por consiguiente a los resultados analticos, que se ven afectados por errores
sistemticos. De acuerdo a esto se deduce que la selectividad est directamente
relacionada con la exactitud.
Propiedades Complementarias
Rapidez
Costos
Es el valor econmico de cada anlisis, su importancia es obvia pues se relaciona
directamente con la productividad del laboratorio.
Otras propiedades que estn relacionadas con el factor humano son las
relacionadas con la segundad del operador, del personal del laboratorio y del
medio ambiente. Adems, los relacionados con la comodidad del personal del
laboratorio esto es: evitar tareas tediosas o que impliquen stress y de propiciar la
creatividad, competitividad y estmulo tcnico y econmico.
INCERTIDUMBRE Y VERACIDAD
Al aplicar un proceso analtico a n alcuotas de una misma muestra se obtienen n
resultados o datos. Es evidente que el nivel de informacin ser de mayor calidad
cuanto mas grande sea n. La incertidumbre genrica de la concentracin o
porcentaje de un analito en una muestra es la mxima duda y corresponde a la
incertidumbre especfica total, que oscila entre el O y 100 %. El valor verdadero
( X ), tiene una incertidumbre especfica nula, que coincide con la ausencia total de
duda acerca del porcentaje de analito en la muestra. Esto desde luego
corresponde a la calidad total.
La incertidumbre especfica parcial se concreta en un intervalo ( U) en el que se
encuentran el analito en la muestra que est alrededor de un dato concreto. La
mxima expresin de la Incertidumbre especifica parcial es la que tiene un solo
resultado (xi), ya que de por s no indica ningn intervalo. La media de n < 30
resultados ( x ) posee una incertidumbre ( U x ) deducida de la estadstica, al igual
que la media ( ' ) de n > 30 resultados posee una incertidumbre ( U '). La
incertidumbre se reduce al aumentar n, as los valores de x y ' se acercan al
valor verdadero.
El valor de referencia considerado como verdadero ( X ) disminuye notablemente
su incertidumbre genrica, pero la incertidumbre especfica (U X ) puede ser mayor
o menor que la de U ', debido a que se ha obtenido por n' laboratorios al analizar
cada uno un nmero de alcuotas de la misma muestra y las causas de la
variabilidad son mucho mas acusadas.
donde:
z f(x1 , x 2 )
x 1 y x 2 son variables independientes
Puede mostrarse que:
Las varianzas son aditivas cuando las variable independientes se suman mientras
que se usan las desviaciones estndar al cuadrado cuando, se trata de una
multiplicacin o divisin. Es importante resaltar que las variables no, deben estar
correlacionadas (independientes), esto a menudo puede no suceder en
situaciones prcticas.
Los errores sistemticos se propagan con sus signos. Si z es el error sistemtico
que afecta a z, la relacin para una suma o una resta es:
Donde x1 es el error sistemticos que afecta a x1, x2 a x2, ... etc. A diferencia de
los errores aleatorios que se acumulan, los errores sistemticos pueden
compensarse.
Para la multiplicacin y la divisin tenemos que:
la media aritmtica es
x = 59.3
10
Poblaciones y muestras
Poblacin
Muestra
n
(n < 30)
n < 30
Distribucin normal
Al efectuarse un gran nmero de mediciones repetitivas, los resultados podrn
visualizarse fcilmente mediante histogramas. En este tipo de grfico, se
representa el intervalo de resultados considerados como las bases de rectngulos,
mientras que las alturas son proporcionales a las frecuencias con las que se
obtienen dichos resultados.
Veamos la siguiente tabla donde se expone la concentracin de Pb en un efluente
industrial en ng/L:
4729
9618
8343
6167
6971
6895
7172
5194
5121
9674
6764
10337
6789
4453
9097
3548
7401
5935
5093
5457
8582
6987
3752
7024
6202
3749
5693
6873
8560
5112
11
8572
11788
3542
6110
4318
6751
5960
7699
6867
7671
10073
7096
2267
7834
7479
7322
4393
7015
6409
4264
5687
8924
4044
5847
6946
5994
7030
6764
6644
7878
Frecuencia
10
8
6
4
2
0
2000
4000
6000
8000
10000
12000
Clases
Campana de Gauss
12
nos dice que los valores de x estn distribuidos normalmente con un promedio
una varianza 2.
13
15
-z
El rea sombreada representa en este caso al 2.5% del rea total bajo la curva, es
decir una probabilidad = 0.025. Esta funcin de Excel nos muestra un rea que va
desde z = a z = -1.96 (probabilidad = 0.025). Lo mismo es decir que se
16
espera que el 2.5 % de los datos sean inferiores a z = -1.96. Si bien este es el
valor de z para el semintervalo izquierdo, el mismo valor con distinto signo se
espera para el semintervalo derecho, ya que la campana es simtrica.
Ejemplo: Supongamos que una fbrica de autopartes produce piezas cuya masa
presenta una distribucin normal con = 5.00 g y = 0.05 g y queremos saber
entre que valores se encontraran el 95% de los resultados. Dicho intervalo se
calcula:
(5.0 1.96 x 0,05); el intervalo es (5.1 - 4.9). Por qu es esto as?
La Tabla 2 da las reas entre dos lmites, un lmite es z = 0 y el otro es un dado
valor de z positivo.
Ejemplo: un buen nmero de determinaciones son efectuadas en una misma
muestra y los resultados estn normalmente distribuidos con
= 215 y = 35. Qu % de determinaciones estarn dentro de los lmites 200 y
250 ?.
z1 = (200 - 215) / 35 = -0,43
z2 = (250 -215) / 35 = 1
Segn la tabla 2, el rea entre z = 0 y z = 0,43 es 0.166 ( 17%), y entre z = 0 y z
= 1 es de 34%.
Se concluye que el 51% de los datos estn comprendidos entre 200 y 250.
Resolvamos esto con Excel: Tomemos la funcin estadstica
DISTR.NORM.ESTAND (Distribucin Normal Estndar) e insertemos en su cuadro
de dilogo los valores de z1 y z2,
17
A
z = - hasta z = -0.43 (0.336)
18
B
y luego desde z = - hasta z = 1
(0.841)
C=B-A
La diferencia (0.508) nos da que el 51
% de las determinaciones caer en el
intervalo sombreado.
La Tabla 3 es de una cola. Ejemplo: supongamos que para los mismos datos
dados anteriormente, queremos saber cul es la probabilidad de encontrar un
resultado mayor que 250. Como z = 1, de la tabla obtenemos el valor p = 0,84.
Esta es la probabilidad de encontrar un valor menor que z = 1; es decir que para
valores mayores la probabilidad ser 1 - 0.84 = 0.16 (16%).
Este problema puede resolverse tambin con Excel tomando la funcin estadstica
DISTR.NORM.ESTAND, insertando el valor de z = 1 obtenemos p = 0.84. Como
vimos en la gaussiana A y B anteriores esta es la probabilidad de obtener valores
inferiores a 250, por lo tanto la probabilidad de obtener valores mayores es
complemento, es decir 16 %.
Las Tablas 1, 2 y 3 y las funciones estadsticas de Excel (DISTR.NORM.ESTAND
y DISTR.NORM.ESTAND.INV) contienen la misma informacin y podramos haber
usado cualquiera de ellas en los diferentes ejemplos.
19
Intervalos de confianza
La tcnica de la estimacin confidencial consiste en asociar a cada muestra un
intervalo que se sospecha que debe contener al parmetro de inters. A ste se le
denomina intervalo de confianza
Evidentemente esta tcnica no tiene porqu dar siempre un resultado correcto. A
la probabilidad de que hayamos acertado al decir que el parmetro estaba
contenido en dicho intervalo se la denomina nivel de confianza. Tambin se
denomina nivel de significacin a la probabilidad de equivocarnos.
Para una distribucin normal el 95% de los datos (es decir el 95% del rea bajo la
curva) cae dentro de los lmites z = -1.96 a z = 1.96. Puede decirse que el 95% de
los datos estarn dentro de los lmites:
1.96
Esto es verdadero para todas las distribuciones normales, como los promedios
de las muestras estn tambin normalmente distribuidos, ser entonces
tambin verdadero para las distribuciones de los promedios. Se puede
establecer que el 95% de todos los promedios de la muestra de tamao n caen
dentro de los lmites:
Es decir:
20
Esto nos dice que es posible estimar (obviamente desconocido). Para lo cual,
debe determinarse x para n mediciones y a la vez expresando la incertidumbre
correspondiente a la estimacin.
Esto puede describirse mediante la ecuacin:
= x
1.96
Rta:
21
= x
1.645
= x
1.96
0.10
1.96
0.05
z
2
22
n
Lic. Sergio G. Chesniuk
http://www.metroquimica.com.ar
z
2
= x
z
2
n para n 30
= x
t
2
n para n < 30
23
= x
t ,
n 1
s
n
de los datos de tal forma que los resultados transformados se adecuen a una
distribucin normal. Si ambas posibilidades no resultan satisfactorias ser
incorrecto llevar a cabo pruebas pensadas para distribuciones de datos
Gaussianos y se tendrn que intentar test no Paramtricos.
Las transformaciones de datos no slo se utilizan para llevar la distribucin a la
normalidad sino que tambin se usan para igualar las varianzas de distintos
conjuntos de observaciones. Entre las ms usuales figuran la transformacin
logartmica, la extraccin de la raz cuadrada o la sustitucin de los resultados por
sus valores recprocos.
En un test estadstico no paramtrico, la muestra extrada de la poblacin
estadstica debe cumplir con ciertas condiciones, mucho menos exigentes que en
los test paramtricos, tales como la independencia de las observaciones.
Los test no paramtricos deben aplicarse siempre que no se conozca exactamente
la distribucin de la poblacin. Sin embargo, a menudo, se toleran desviaciones
pequeas de las condiciones impuestas en estas u otras condiciones de los tests
paramtricos. Una de las ventajas ms claras de los tests no paramtricos
consiste en su facilidad de aprendizaje y aplicacin. Existen tests no paramtricos
para comprobar un gran nmero de hiptesis estadsticas, sin embargo no tienen
una aplicacin tan amplia como los tests paramtricos, as, no existen tests fiables
de este tipo para comprobar la interaccin entre conjuntos de datos en el anlisis
de la varianza. Veremos mas detalles hacia el final de este apunte.
Si Qcal
s
n
26